طريقة تقسيم دقيقة للأهداف الرفيعة في شبكات الطاقة تعتمد على الإدراك متعدد المقاييس والتعلّم الحساس للموقع

الحفاظ على التيار الكهربائي بأمان

تعتمد الحياة الحديثة على تدفّق الكهرباء بسلاسة عبر شبكة واسعة من خطوط الطاقة. جزء كبير من هذه الشبكة يمتد فوق رؤوسنا، حيث يمكن للأسلاك المتقادمة أو الطقس السيئ أو الأخطاء البشرية أن تتسبب في انقطاعات أو حتى حوادث. تعتمد شركات المرافق بشكل متزايد على الكاميرات والذكاء الاصطناعي لمراقبة هذه الخطوط في الوقت الحقيقي، لكن جعل الحاسوب يميّز الأسلاك الطويلة والنحيفة بوضوح على خلفيات فوضوية أمر أصعب مما يبدو. تقدم هذه الدراسة طريقة جديدة لتحليل الصور تساعد الحواسيب على تتبُّع خطوط الطاقة بدقة أكبر، حتى في مشاهد العالم الحقيقي المزدحمة، مما يعزّز سلامة وموثوقية توزيع الطاقة اليومي.

لماذا من الصعب اكتشاف الأسلاك الرفيعة

من النظرة الأولى قد يبدو التعرف على خط طاقة في صورة أمراً بسيطاً: فقط ابحث عن شَرْطة داكنة طويلة مقابل السماء. في الواقع، المهمة أكثر تعقيداً. قد تكون خطوط الطاقة نحيفة جداً مقارنة بالحجم الكلي للصورة، وقد تتقاطع أو تنحني أو تظهر بزوايا متعددة. غالباً ما تُخفى جزئياً خلف معدات أو مبانٍ أو أشجار أو أدوات العاملين. صُممت أدوات التعلّم العميق التقليدية لتجزئة الصور—التقنيات التي تصنف كل بكسل كـ «سلك» أو «خلفية»—أساساً للأجسام الأكبر والأكثر كتلة مثل السيارات أو الأشخاص. تميل هذه الطرق إلى طمس حواف الأسلاك، أو تفكيكها إلى قطع، أو الخلط بينها وبين أشياء طويلة ونحيفة أخرى. في أعمال الصيانة أثناء التشغيل، حيث يُجرى العمل دون فصل التيار، قد تضعف مثل هذه الأخطاء أنظمة الإنذار والسلامة والمفتشات.

طريقة جديدة لرصد خطوط الطاقة

يبني الباحثون على تصميم شائع لتجزئة الصور يعرف باسم U-Net، الذي يعالج الصورة على عدة دقات ثم يعيد تجميع المعلومات. يضيف نظامهم الجديد، المسمى MSHNet (شبكة الرأس متعددة المقاييس)، رؤوساً إضافية تُصدر تنبؤات على مقاييس متعددة في آن واحد. يركز كل رأس على مستوى مختلف من التفاصيل، لذا ينتبه النموذج إلى المسار العام للخط وكذلك إلى حوافه الدقيقة. تُدمَج كل هذه التنبؤات لاحقاً في خريطة نهائية بالحجم الكامل لمواضع الأسلاك. ولتوجيه التعلم، صمم الفريق أيضاً دالة خسارة خاصة—قواعد تقييمية—لا تكتفي بالسؤال «هل وجدت السلك؟» بل تسأل أيضاً «هل حددت حجمه وموقعه بدقة؟» تُشجّع هذه الدالة الحساسة للمقياس والموقع الشبكة على مطابقة السمك والطول والموضع الحقيقي لكل سلك بصورة أوثق من المعايير التقليدية.

تعليم الشبكة عن الشكل والاتجاه

حتى مع هذه التحسينات، ظلّت MSHNet الأصلية تواجه صعوبة مع الخطوط الطويلة والنحيفة للغاية. لمعالجة ذلك، يغيّر المؤلفون رؤوس التنبؤ لتعمل ككاشفات حواف ذكية. مستلهمين من مرشحات معالجة الصور الكلاسيكية، يقسمون المرشحات المربعة المعتادة إلى مكونات أفقية وعمودية، مستخدمين مشغلات سوبيل التي تبرع في التقاط التغيرات الحادة على طول الخطوط. تضاعف الشبكة ميزاتها الداخلية باستجابات هذه الكاشفات الحافتية، مما يعزّز البنى الشبيهة بالخطوط ويخفّض من تأثير أنماط الخلفية غير ذات الصلة. وفي الوقت نفسه، يصقلون دالة الخسارة لكي تعطي وزناً أكبر لاتجاه الخط. بدلاً من معاقبة أخطاء الزاوية التربيعية فقط، يستخدمون مقياساً قائمًا على جيب التمام يتفاعل بقوة مع الأخطاء الاتجاهية الصغيرة ويزيد العقوبة عندما يخلط النموذج بين الاتجاهين الأفقي والعمودي. تساعد هذه التركيبة الشبكة على إبقاء الأسلاك متصلة عبر مسافات طويلة ومن خلال الانحناءات.

اختبار الطريقة

لاختبار أداء النظام عملياً، جمع الفريق 1800 صورة عالية الدقة من مشاهد صيانة خطوط حية حقيقية في المدن والمصانع والمناطق الضواحيّة. تتضمن هذه الصور إضاءات قاسية وبيئات مزدحمة وأنواعاً متعددة من الأعمدة والأسلاك، مما يجعلها مجموعة اختبار صارمة. بعد إعادة تحجيم الصور وتوسيعها بعناية، درّبوا وقيّموا عدة نماذج، بما في ذلك U-Net وDeepLabV3+ وPSPNet وMSHNet الأصلية والإصدار المحسّن. قاسوا ثلاثة مؤشرات رئيسية: دقة البكسل الإجمالية، مدى تداخل مناطق السلك المتوقعة والحقيقية، ومدى توازن النموذج بدقة بين التقاط كل الأسلاك وتجنّب الإنذارات الكاذبة. حققت MSHNet المحسنة دقة بكسل تقارب 99.5% ونتائج أفضل في التداخل والدقة مقارنةً بجميع الطرق الأخرى، مظهرة آثاراً أنظف وأكثر استمرارية لمسارات الأسلاك، خصوصاً عند تقاطع الخطوط أو حين تُحجب جزئياً بهياكل معدنية.

ماذا يعني هذا للطاقة اليومية وما بعدها

بالنسبة لغير المتخصصين، الخلاصة أن هذه الطريقة تمكّن الحواسيب من رسم خطوط الطاقة في الصور تقريباً بقدر موثوقية مفتش بشري حريص، ولكن بسرعة أكبر وعلى نطاق واسع. من خلال فهم أفضل لحجم وموضع واتجاه الأجسام النحيفة، يمكن للنظام إصدار تحذيرات سلامة أدق، ودعم أعمال الصيانة أثناء التشغيل دون انقطاعات، والمساعدة في كشف العيوب قبل أن تتسبب في أعطال. يمكن أن تخدم نفس الأفكار تفتيش هياكل طويلة ونحيفة أخرى، مثل كابلات السكك الحديدية العلوية أو خطوط الأنابيب. مع دفع شركات المرافق نحو شبكات أكثر ذكاءً وأتمتة، تزوّد مثل هذه التطورات «زوج عيون» رقميًا حاسماً يساعد على إبقاء الأنوار مضاءة بأمان وكفاءة.

الاستشهاد: Zhang, D., Xie, P., Chen, H. et al. Precise segmentation method for slender power targets based on multi-scale perception and location-sensitive learning. Sci Rep 16, 4899 (2026). https://doi.org/10.1038/s41598-026-35084-6

الكلمات المفتاحية: تفتيش خطوط الطاقة, تجزئة الصور, التعلّم العميق, مراقبة البنية التحتية, رؤية الحاسوب